因果

很多时候回头看，发现过去充满因果关联。但用这个因果来推断过去，多半还是错。这是我们无法避免的思维方式。因果，这两个字的时态，或许本来只是过去完成时而已。

最 近在用artifical neural network模拟physical model，做的越多，越是觉得很哲学。ANN的运算，是基于我们人对于事物的认知方式，先有一个初始的weight和bias，输入第一批数据，根据几 层的计算得到一个预测值，将它与目标值对比，得到误差项。根据不同的算法比如back-propagation，将这个误差返回，逐步修正初始的 weight和bias，然后代入第二批数据……

以上的过程，叫做training。

training容易出现几个问 题，一个是不足，一个是over-fit。套用我们的生活经验，前者是经验不足，后者是被生活过度摧残。前者的表现是，training结果很垃圾，连已 有的数据关系都无法计算出来，后者的表现是，现有的数据被完美地建立了关联，但是一旦出现新的数据，误差非常大。出现这样问题的模型，是毫无意义必须修正 的，而出现这两种问题的人，只会被生活淘汰到第二第三以及第N梯队。

解决模型的这个问题，通常有几个途径，比如选择合适且充足的 training data，能够cover所有的频段和值域，这样新的validation data再怎么出，也在这个训练范围之内，同时有一个非常复杂的网络，灵活多变到极致。这样出来的网络，好像是一个经验丰富的老人，受了足够的教育，有足 够多的挫折和失败，从而对生活尽在掌控。另外一种方法是，事先对ANN的内部构造有一定的了解，建立与可能的结构相似的结构，这样训练多快好省。我们身边 有这样的人，对事情的判断方式评估方式非常好，能够很快地接近答案，这样的网络，我们叫做grey box model，这样的人，往往都很聪明。

当 数据不足的时候，第一个方法就不能起到作用了，好比年轻人，事业的开始很重要，但是没有经验的人，走弯路是再正常不过的事情了，怎么可能仅仅靠几年的经验 就能够得到对社会正确的认识呢？如果还加上不愿意学习，思维方式僵化，那就基本上应该直接烧香了——倘若老天爷赏饭吃，那是最好，不然，就等着被生活的浪 花打得头晕眼花吧。

数据不足的时候，对系统内部情况进行分析后，仍然可以通过有限的数据，得到不差的模型。身边有这样的朋友，通过看书学 习，通过分析研究，思想和社会很合拍，能够最有效地修正观念的偏差，凡事都能抓住了关键，出现新情况也能够有正确的应对，因而不断成功。就好像一个好的 ANN的模型，能够得出和物理模型一样的结论，但是没有那么复杂构造的问题，运算的也要快很多。

可是，再完美的模型，都有范围，而总有那么一些数据，它们就是不在范围之内。新的学习又得开始，永远没有结束。

当 我们穷尽一生，经历风雨和挫折之后，或许会发现一些人生道理，但是，除了个别可以为他人借鉴，很多已经不再与时俱进。人的存在因此很悲凉，一个新的生命开 始的时候，它又必须重新开始，重新接受挫折和磨难，我们无法替将来的人避免什么磨难，我们甚至无法替自己做好足够的打算。

基于历史数据无法预知将来，想到金融里的有效市场假说，至少这个证明了，这个社会里，weak ｆorｍ的EMH是成立的吧……